在人類基因體計劃完成後，基因體曾被視為「生命藍圖」。但隨研究推進，科學界逐步意識到：這份「遺傳說明書」真正難解部分，不在蛋白質編碼區，而在其餘龐大非編碼區。人類基因體約 30 億個鹼基對（base pairs, bp)，僅約 2% 直接用於編碼蛋白質，剩餘 98% 過去常被稱為「垃圾 DNA」，如今更常被視為一套複雜調控操作系統，決定基因何時、何地、以何種強度表達。
Google DeepMind 於 2026 年 1 月 28 日發布 AlphaGenome，被形容為基因體研究的「AlphaFold 時刻」：若 AlphaFold 對應蛋白質折疊結構， AlphaGenome 則試圖以通用「序列到功能流形」(Sequence-to-Function Manifold）破解調控代碼，並把長距離序列理解與單鹼基解析度預測拉到同一個模型框架內。
非編碼區（Non-coding）不再沉默： 98% 基因體如何成為「調控操作系統」
長期以來，基因體研究與臨床解讀多聚焦蛋白質編碼序列，因為它們較易對應到胺基酸改變與蛋白質功能異常。然而，研究指出非編碼區並非「無用」，而是支配轉錄與調控的關鍵場域，透過調控元件指揮基因表達時空與強度，並可能在不改變蛋白質序列前提下，仍造成顯著生物學效應。
在此脈絡下， AlphaGenome 的定位不僅是再一個預測工具，而是把「調控基因體學」推向更可計算、可模擬方向。研究強調，模型可處理長達 100 萬個鹼基對（1 Mb）序列，並在單鹼基解析度下預測數千種分子特性，這類能力被視為罕見遺傳病診斷、癌症驅動突變識別、合成 DNA 序列設計等工作的新型基礎設施。
從 10 kb 到 1 Mb：基因體 AI 的規模權衡與上下文缺口
在 AlphaGenome 前，序列模型面臨核心技術權衡：上下文長度（context length）與預測解析度（resolution）難以兼得。研究以 BPNet、 SpliceAI 為例，指出早期模型可達鹼基級別精確預測，但輸入序列通常限制在 10 kb 內，因此難以捕捉遠端增強子（Enhancer）與啟動子（Promoter）的遠距離交互作用。後續 Enformer 將感應範圍擴展至 200 kb，但對於覆蓋整體人類調控網路仍不足，因為研究指出： 99% 已驗證增強子—基因對落在 1 Mb 視窗內。
在這樣的尺度脈絡裡， AlphaGenome 被描述為「打破限制」的混合架構：可同時處理 1 Mb 序列，並宣稱在序列長度上達到先前領先者 Borzoi 的 2 倍。研究進一步點出其生物學意涵：遺傳變異可能對鄰近基因影響有限，卻能顯著改變遠端基因活性，若模型上下文不足，容易漏掉真正關鍵的遠端調控訊號與結構性關聯。
混合 U-Net 與 Transformer：把分層調控邏輯「映射」進模型結構
研究將 AlphaGenome 的核心架構比擬為重新構建的 U-Net：在視覺領域常用於精確分割，而此處用於處理線性遺傳代碼並回到高解析度輸出。其設計拆成三個關鍵組件，對應不同尺度的生物訊號：卷積層（Convolutional Layers）擔任初始掃描器，負責偵測短期模式與基序（Motifs)，例如轉錄因子結合位點； Transformer 模塊則在編碼器深層運作，讓 1 Mb 序列不同位置能進行資訊通信，並以 128 bp 解析度建模支援長距離的資訊獲取，特別指向增強子—啟動子進行訊息溝通；最後由解碼器與任務特定輸出頭（task-specific heads）上採樣回原始解析度，並對 11 種生物模態產生並行預測。
這套結構被描述為「模擬基因體分層邏輯」：局部 motif 需要高靈敏度，遠距調控則需要跨距離訊息整合，而多任務輸出又要求共享底層表徵、同時保留任務差異。研究亦以「通用序列到功能流形」界定其目標與意圖：並非只在單一讀出（readout）做到最好，而是嘗試用單一框架承接多種調控表現型與變異效應的共同結構。
1 Mb 訓練可行化：序列並行化與 TPUv3 最佳化
為了要能處理 1 Mb 序列，首先會面對的是記憶體與吞吐量挑戰。研究指出， DeepMind 團隊在 JAX 高性能計算框架中開發「序列並行化」(Sequence Parallelism）技術，把 1 Mb 序列拆成 131 kb 區塊，並將計算分散到 8 台互連 TPUv3 設備上，以降低單一裝置負擔並維持訓練效率。這段描述把模型突破，從「架構巧思」延伸到「系統工程」：若沒有對硬體與並行策略的整合， 1 Mb 長度更像理論指標而非可運行產品。
研究也特別提到一個「反直覺」結果：儘管上下文長度與預測複雜度大幅增加，單個 AlphaGenome 模型訓練僅需 4 小時，且消耗計算資源約為原始 Enformer 模型一半。這被用來凸顯架構與系統最佳化重要性：在大規模生物資料上，效能不只靠堆算力，也取決於表示學習與計算路徑設計是否能把「百萬級鹼基對」變成可重複、可擴張的訓練工作負載。
多模態聯合預測：從轉錄、表觀到 3D 結構的一次推斷
研究將 AlphaGenome 描述為可在單一框架內「聯合預測所有評估模態」的第一個模型，並以「瑞士軍刀」比喻其通用性。傳統流程常需分別建立拼接（splicing)、基因表達（gene expression)、染色質結構（chromatin structure）等專門模型，而 AlphaGenome 透過多任務學習（Multi-task Learning）把這些能力整合於同一模型，並同時預測 5,930 條人類基因體軌跡與 1,128 條小鼠軌跡，涵蓋 11 種核心模態。
依研究列舉，輸出範圍包含：轉錄活動訊號（RNA-seq、 CAGE、 PRO-cap)，用於定位轉錄起始點與產量；染色質開放性（DNase-seq、 ATAC-seq)，用以識別調控開關位置；表觀遺傳標記與轉錄因子（TF）結合模式，描繪整體基因體生化環境輪廓； 3D 基因體結構，生成染色質接觸圖（contact maps）以預測遠距但空間鄰近區域；以及複雜拼接建模，涵蓋剪接位點、使用情況與剪接接合點（splice junctions）坐標與強度。此處關鍵不在清單本身，而在「一次推斷」可同步產生多層訊號，讓研究者能用同一套變異輸入，檢視其在多模態上連鎖反應。
剪接接合點成為亮點：從存在性預測走向定位與強度
在眾多能力中，研究特別凸顯 RNA 剪接建模。剪接是移除內含子、重連外顯子的精密過程，剪接錯誤可導致致病蛋白質生成或基因功能喪失。研究指出， AlphaGenome 首次實現直接從序列預測剪接接合點位置與表達水平，而非僅預測剪接位點是否存在。這意味著模型輸出更接近實驗讀出：不只「哪裡可能剪」，還包含「剪接事件如何呈現」的強度與座標資訊。
研究也把此能力連結到罕見遺傳病場景，舉脊髓性肌萎縮症（SMA）與囊性纖維化為例，指出疾病往往由剪接錯誤引起。並提到 AlphaGenome 能準確識別與剪接離群值相關罕見變異，性能顯著超越 SpliceAI 與 Pangolin 等專門模型。這類描述把「多模態通用模型」與「專門任務 SOTA」之間常見落差縮小，亦回應臨床解讀最常卡住的類型之一：非編碼或同義變異引發的剪接異常。
教師—學生蒸餾法：把臨床可用的穩定性放進訓練流程
若要讓變異效應預測（Variant Effect Prediction, VEP）進入臨床工作流，準確度之外還需要穩健性（Robust）。研究指出， AlphaGenome 增加關鍵訓練階段「教師—學生蒸餾」：先訓練由多個模型組成的「全折疊」(All-folds）教師集成，再把知識遷移到單一學生模型。學生模型學習複製教師集成高品質預測結果，以捕捉不同訓練配置下共識指標，同時在蒸餾過程接觸隨機序列突變與增強處理輸入，迫使模型學會穩定處理序列變化，提高對變異擾動的耐受。
研究並補充蒸餾後效益：模型體積更小、運行更快，可在不到 1 秒產生完整變異效應概況。此處可視為把「可部署性」納入模型設計：臨床或大型篩選常需要高吞吐推斷，若推斷成本過高，即使模型準確也難進入常規流程。蒸餾與擾動訓練的組合，對應「速度」與「穩定」兩個實際應用條件。
基準測試數據：從軌跡預測到致病性分類的跨任務領先
研究提供一組基準測試，以描述 AlphaGenome 在既有任務上的相對表現：在 24 項基因體軌跡預測任務中， 22 項達到或超越現有最強模型；在變異效應預測更具挑戰的 26 項評估中， 25 項領先。研究中列舉一些關鍵指標： RNA-seq 預測皮爾森相關係數 r = 0.86；細胞類型特異性表達相較 Borzoi 提升 14.7%； 3D 接觸圖建模相較 Orca 提升 42.3%； eQTL 符號預測相較 Borzoi 提升 25.5%； ClinVar 變異致病性分類 auPRC = 0.66。
研究也強調 eQTL 符號（direction）預測改進意義：能預測變異使表達增加或減少，對解釋 GWAS 結果至關重要。並指出高解析度與長上下文讓模型更能辨識位於啟動子外、卻透過複雜折疊結構影響表達的隱匿變異。整體而言，這組數字可以讓我們得出一種解釋：模型不只在單一讀出提高相關係數，而是在多層調控與變異解釋上同時推進。
案例研究：以 T 細胞急性淋巴細胞白血病（T-ALL）重現非編碼致癌機制
研究以 T 細胞急性淋巴細胞白血病（T-ALL）展示模型對「非編碼致病機制」的解析。 T-ALL 常與 TAL1 致癌基因異常激活相關；研究人員用 AlphaGenome 分析 TAL1 附近非編碼區，模型在單次推斷中重現已知致病路徑：首先預測特定非編碼插入突變會創建 MYB 轉錄因子結合基序；接著在 TAL1 轉錄起始位點，預測活化型組蛋白標記如 H3K27ac 增加、抑制型標記如 H3K9me3 減少；最後預測該變異導致 TAL1 在特定血液祖細胞強烈激活。
研究把這類推斷視為「在線實驗引擎」潛力：能將原本需數月濕實驗驗證的探索，縮短到數週內完成候選機制定位與優先序排序。值得注意，研究描述重點不在「取代實驗」，而在「先做大規模乾實驗」(in silico experiments）以提升研究效率，讓昂貴實驗資源更集中於高機率機制。
個人基因體學邊界：在 GTEx 上進步顯著，但精準醫療仍需更多資料整合
雖然 AlphaGenome 主要以公共參考基因體數據訓練，研究提到它在個人基因體預測也引發關注。以 GTEx 個人資料獨立評估， AlphaGenome 在 377,857 個基因—組織對預測中，以 3.2 勝率領先 Enformer，預測表達方向勝算比（Odds Ratio）達 3.0；並舉例 CUTALP 基因，相關性從 -0.81 躍升至 +0.82。這些數據被用來支持模型對個體間表達差異的敏感度提升。
同時，研究也保留限制描述：模型在某些預設非線性基因集平均準確率，仍略低於專門用個人水平數據訓練的樹狀模型，如隨機森林（Random Forest)。研究解讀為：通用序列模型掌握調控「語法」，但若要達到個體層級「精準醫療」強度，仍可能需要結合多體學資料或進行特定領域微調。這段安排，使報導能同時呈現突破與現階段邊界，而不把技術推向過度外推。
仍待跨越的技術屏障：長距離衰減、性狀映射與因果推進
研究在展望段落指出幾個仍待克服障礙。首先是長距離效應衰減：雖能處理 1 Mb 上下文，但對超過 100,000 bp 的極遠端交互作用，預測精度會隨距離增加而下降。其次是「分子特徵到性狀」映射落差：模型能預測 RNA 產量、表觀訊號、接觸圖等分子層變化，但尚無法完整解釋這些變化如何轉化為人類性狀或臨床症狀。發育動態、環境因素與基因間上位性（Epistasis）交互作用，也被列為模型未完全涵蓋領域。
對於未來，研究提出幾個發展方向：跨物種（cross-species）擴展以利用演化保守性強化功能理解；更深度多體學集成，把染色質可及性、組蛋白修飾與單細胞轉錄組納入更具背景感知的模型；以及從相關（correlation）推進到因果（causality）的預測能力，使模型更接近「理解」生命代碼邏輯。研究並引用計算生物學家 Anshul Kundaje 觀點，指出這不只是上下文長度量變，而是模型實用性質變，並把願景落在「變異不再長期停留在 VUS」的可解釋新時代。
